English version: AI Learning Roadmap 01 · Computer Foundations

01 · 计算机基础

AI 学习路线图 · 第 1 站（共 9 站）

---

为什么这一站重要

每一个 AI 系统——每一个模型、每一次训练、每一个智能体——本质上都是一个跑在计算机上的程序。如果你对这台机器不熟练，后面的每一站都会变成一场搏斗：你会把时间花在跟环境较劲上，而不是学习梯度下降或注意力机制。

好消息是：你不需要计算机科学学位。你需要的是对"AI 工作中真正重要的那 20% 计算机知识"有扎实的掌控。这正是这一站要交付的东西：

1. Python —— 整个领域的语言。几乎所有 AI 库都说 Python。
2. 开发者环境 —— 终端、Git、编辑器、笔记本。专业人士真正生活在这里。
3. 计算机如何工作 —— 足以理解"跑一个模型"到底意味着什么。
4. 必备数据结构与算法 —— 高效程序的词汇表。
5. 网络基础 —— 因为每一次大模型 API 调用都是一个 HTTP 请求。

核心概念

1. Python —— 你的第一门语言

如果你从未编过程序，Python 是最温柔的入口。它读起来几乎像英语，而且它的哲学（"可读性至上"）意味着你在这里写的代码，会在你之后遇到的每一个 AI 库里都似曾相识。

从这些基础开始：

• **语法与数据类型：**整数、浮点数、字符串、布尔值；if / elif / else；for 和 while 循环。
• 四个主力数据结构：list（有序、可变——数组）、dict（键 → 值，瞬间查找）、set（唯一元素，成员判断）、tuple（有序、不可变——固定记录）。这四样东西你 AI 生涯的每一天都会用到。
• 函数：def 名称(参数): return ...。函数是把逻辑打包、便于复用和测试的方式。
• 推导式：[x*2 for x in nums] —— 一行代码构建列表和字典的 Python 风格写法。一开始看着像魔法；一周之内你就会觉得自然。
• **模块与导入：**代码组织在文件（模块）和包（package）里。import numpy as np 将来会熟悉得像呼吸一样。
• 错误处理：try / except —— 理解错误是调试的前半程。
• **面向对象基础：**类、属性、方法、__init__。你需要的是词汇，不是理论；PyTorch 和所有框架都到处用类。

现在就开始养成一个重要习惯：写代码、运行、弄坏它、修好它。 读 Python 教程教不会你 Python。亲手把每个例子敲一遍。

2. 开发者环境

专业人士不是在单个窗口里写代码的。你需要四个工具协同工作：

• **终端。**一个用文本操作电脑的界面。你用它运行程序、安装包、管理 Git。要学：目录导航（cd、ls / dir）、运行脚本（python script.py），并且明白"害怕终端"是不必要的——它只是一个带超能力的文本框。
• **Git 与 GitHub。**Git 记录你代码的每一次改动——你自己的撤销按钮和历史版本。GitHub 把这份历史放到网上，也是这个行业的职业名片。要学核心流程：clone / add / commit / push / pull，外加 branch 和 merge。你不需要高级 Git；你需要让日常流程变成肌肉记忆。
• **编辑器。**VS Code 是默认选择：免费、强大、内置 Python 支持。安装 Python 扩展和 Pylance 语言服务器。
• **Jupyter 笔记本。**一种把代码、输出和笔记混在一起的文档。AI 工作是探索性的，笔记本就是探索发生的地方。分析和实验在这里写；生产代码放在 .py 文件里。

最后是包管理：Python 库用 pip（或 conda）安装。每个项目应该有自己的虚拟环境（venv），避免项目之间互相打架。要学：创建 venv、激活它、pip install <包>，并把版本固定到 requirements.txt 里。

3. 计算机实际如何工作

你不需要造一台计算机；你需要一个心智模型。下面这个就是关键：

• **一切都是数字。**文本、图像、声音——计算机统统以二进制数字存储。你作为 AI 从业者的工作，常常是把真实世界的东西变成数字（这被称为表示 representation）。
• **CPU、内存、磁盘。**CPU 执行指令；内存（RAM）存放 CPU 正在处理的资料；磁盘永久保存资料。当程序"运行"时，操作系统把它加载进内存，CPU 逐条执行。
• **进程与操作系统。**你的操作系统（Windows、macOS、Linux）是一个管理者：它同时运行很多程序（进程）、在它们之间分配 CPU、并让它们互不干扰。训练一个模型是一个进程；一个 API 服务器也是一个进程。
• **Python 如何运行。**Python 是解释型语言：解释器读取你的代码并逐步执行。这就是为什么 Python 比编译型语言慢，但写起来和迭代起来容易得多。AI 的秘诀在于：慢的内层循环是用底层编译型语言（C/C++）写的——Python 只是控制层。

4. 必备数据结构与算法

你的职业生涯里永远不会被要求实现一棵红黑树，但你必须理解数据结构是什么、什么时候该用哪一个。核心思想：结构的选择决定了操作的代价。

• 大 O 记号 —— 描述"有多快"的语言。它表示一个操作的成本如何随输入规模增长。O(1) = 无论多大都瞬间完成（查字典键）；O(n) = 随规模线性增长（扫描列表）；O(n²) = 平方级（嵌套循环——要避免）。
• 数组 vs 链表 —— 数组（Python 的 list）在连续内存中存储元素，按下标访问是瞬时的；链表用指针把元素串起来。实践中你只会用数组；理解这个概念是为了理解内存。
• 哈希表 —— Python 的 dict。整个计算领域最重要的结构：键 → 值，O(1) 查找。遇到任何"把这些东西分组/计数"的问题，第一直觉就是它。
• 栈与队列 —— 后进先出（LIFO）和先进先出（FIFO）的次序。你会在智能体的上下文管理和搜索算法里再次遇到它们。
• 树与图 —— 层级与网络。文件系统是一棵树；社交网络是一张图；向量数据库在概念上就是一张"相似事物"的图。要学：树遍历（DFS/BFS），以及"图 = 节点 + 边"这个想法。
• 排序与查找 —— sort() 已经存在；要理解为什么排序能让查找变快（二分查找是 O(log n)）。

为什么这对 AI 特别重要？因为每个数据集都是行的数组；每次 token 查找都是哈希表；每个检索系统都是查找问题；每个神经网络都是一张图。理解了这些结构，就是理解了这些系统。

5. 网络基础 —— 因为你每天都会调用 API

现代 AI 很大程度上是通过网络使用模型。这意味着 HTTP：

• HTTP 请求 —— 客户端（你的代码）向服务器发请求；服务器返回响应和状态码（200 = 正常，404 = 未找到，500 = 服务器错误）。
• API —— 通过 HTTP 对外暴露功能的服务器。几乎每家 AI 公司都通过 API 出售模型访问权限：你发文本，你收文本。
• JSON —— API 的标准数据格式。它长得像 Python 字典（因为就是受它启发的）。{"role": "user", "content": "你好！"} —— 你在第 7 站会天天见到这个形状。

边做边学：用 Python 的 requests 库调用一个免费公共 API（天气、名言，什么都行），把返回的 JSON 打印出来。

工具与技能

这一站结束时，你应该熟练使用（而不仅仅是听说过）：

工具	用途
Python 3.12+	语言本身
VS Code + Python 扩展	你的编辑器
Git + GitHub	版本控制与作品集
Jupyter（VS Code 内或浏览器）	探索性工作
venv + pip	包管理

动手任务

按顺序做。不要跳过"无聊"的部分——流畅才是目标。

1. **Python 练习（第 1–5 天）。**写脚本：用 dict 统计一段文本的词频；用推导式过滤和变换列表；定义带默认值和返回值的函数；用 try/except 优雅地捕获错误。
2. **终端 + Git（第 3–7 天）。**建一个项目文件夹；git init，add，commit，push 到新的 GitHub 仓库。一周内做三次提交（养成习惯）。
3. **数据分析器（第 6–10 天）。**随便找一个 CSV 文件（下载一个公开的，比如天气或城市数据集）。写一个脚本：读文件、计算汇总统计（均值、最大值、计数）、打印一份小报告。这是你的第一个真正的程序。
4. **API 调用（第 8–10 天）。**用 requests 调用一个免费公共 API 并打印结构化输出。注意 JSON——你已经在做每个大模型应用都会做的事了。
5. **数据结构热身（第 9–12 天）。**给定一个数字列表，用 set 在 O(n) 时间内找出重复项；给定两个列表，找出交集。大声解释（真的说出来）为什么你的方案快。

里程碑检查点

满足以下条件，你才能进入第 2 站：

• 你能不打开教程，从零写一个 Python 脚本：读取 CSV、分析、打印报告。
• 你的项目在 GitHub 仓库里，至少 3 次有意义的提交。
• 你能不查资料说出 dict、set、list 的查找成本各是多少，以及什么时候用哪个。
• 你能用 requests 调用公共 API 并解析 JSON 响应。
• 你能用一句话解释运行 python my_script.py 时发生了什么。

如果五条都轻松，就前进。如果不行，再多花一周——这些基础决定了你后面是顺风顺水还是步步挣扎。

精选资源

• 《用 Python 自动化无聊的事》（免费在线书）—— 最好的实用 Python 入门；做里面的项目，一个都别跳。
• CS50x（哈佛） —— 想要更深的计算机科学背景就选它；第 0–4 周覆盖编程、内存和数据结构。可选但很优秀。
• 《计算机科学精粹》（Wladston Ferreira Filho） —— 一本简短易读的书，覆盖大 O、数据结构和计算机工作原理。读前四章。
• Git 官方文档 / GitHub Skills —— 在浏览器里交互式练习 Git。
• Python 官方教程 —— 权威参考；早期略读，永远可以回来查。

时间规划

• **总计：**约 4 周，每周 10–15 小时（约 50 小时）。
• **建议安排：**第 1–2 周 → Python 流畅度（任务 1–2）；第 3 周 → 数据分析器 + API（任务 3–4）；第 4 周 → 数据结构、Git 打磨、里程碑。

衔接下一站

你的机器准备好了，你也准备好了。第 2 站才是真正的 AI 开始：一切模型赖以建立的数学。这里有个让你松口气的秘密——你已经知道一半了。向量不过是一串数字；矩阵乘法不过是一种结构化地组合它们的方式。我们先建立直觉，而这一站结束时，你会亲手用 NumPy 实现梯度下降。